金融科技赋能，筑牢银行信贷业务精细化风控基石

扫描分享

本文共字，预计阅读时间。

文/融慧金科

（本文为“2020金融文字节——银行数字化创新主题征文大赛”投稿文章。）

前言

在今年的疫情冲击之下，线下业务受阻，各商业银行纷纷开展线上化经营和线上场景布局以化危为机。在大数据、人工智能技术的实践与应用下，互联网贷款成为商业银行顺应金融科技发展的大趋势，也是金融数字化转型的必由之路。为了促进互联网贷款业务健康发展，2020年7月，中国银保监会正式发布《商业银行互联网贷款管理暂行办法》（以下简称《办法》），其中明确提出了对商业银行的风险管控要求，规范了合作机构管理。一方面填补了网贷行业的监管真空，肯定了助贷行业及第三方合作平台的价值；另一方面推动了自主风控和自营业务成为商业银行未来发展的主基调。纵观整个行业发展态势，互联网贷款已然从野蛮时代进入了更为合规的全新发展阶段。

一、银行数字化转型发展面临的挑战

近期，商业银行的半年报陆续公布，从各项数据表现来看，大部分商业银行的营收和净利润呈现下滑态势。银保监会数据显示，2020年上半年，商业银行累计实现净利润1.0万亿元，同比下降9.4%，平均资本利润率为10.35%；商业银行平均资产利润率为0.83%，较上季末下降0.15个百分点。

上市银行年报业绩表现 | 数据来源：Wind，上市银行年报，2020.9

今年以来，经济下行叠加疫情冲击，2020年上半年，我国商业银行不良贷款率和不良贷款余额均出现小幅上升。银保监会数据显示，2020年二季度末，商业银行不良贷款余额2.74万亿元，较上季末增加1243亿元；商业银行不良贷款率1.94%，较上季末增加0.03个百分点。据悉，银保监会有关负责人表示，当前我国经济尚未全面恢复，疫情仍有较大不确定性，所带来的金融风险也存在一定滞后，因此未来不良贷款率可能会继续上升。

从积极的方面来看，新冠疫情促进了用户和业务从线下向线上转移，也加快了商业银行数字化转型的步伐，后疫情时代，非接触服务必然会成为银行的新常态。然而，面对当前复杂多变的国内外经济形势，行业监管政策的不断调整，以及经济下行时期的同业市场竞争压力，商业银行在数字化转型，尤其是在自主风控和自营品牌转型发展过程中也面临诸多挑战：

（一）风险管理能力不足

普惠金融服务下，银行所覆盖的目标客户群体更加广泛，应用场景也不断下沉，与此同时，各种欺诈和信用风险也随之而来，但商业银行的风险防控能力已无法实现对客群分层经营和对客户需求的深耕细作，更难以应对不同场景下的风险需求。在数字化转型升级过程中可能会出现信息安全、隐私保护等技术风险及监管合规风险。

（二）数据治理困难

商业银行在业务开展过程中积累了大量的数据，比如业务交易数据、客户信息数据、内部管理数据以及外部数据等，但当前大部分商业银行对数据治理的效果并不理想，与价值应用和监管要求还存在一定差距。究其原因，一是银行内部数据往往依部门和条线而割裂，缺少横向沟通和统筹，数据质量参差不齐，难以实现整合利用；二是数据治理周期长、协同难度大，且缺乏统一的规范和治理体系。

（三）复合型专业人才短缺

商业银行里既懂金融业务又懂技术的复合型专业人才非常匮乏，同时又因为内部人才培养机制不健全、力度不足，人才流失率较高。另外，市场选人用人机制和激励机制不健全，难以吸引到专业人才。根据《2018年中国金融科技就业报告》数据显示，吸引尖端金融科技人才的驱动因素中，高端人才最看重未来的职业发展，其次是企业文化和薪酬。从中不难看出，职业发展前景、企业文化已成为人才引进的重要吸引力，这希望可以给银行提供一些启示。

二、金融科技成为推动银行数字化转型的新引擎

银行机构普遍面临着的挑战，其背后折射出的是银行业对数字化转型的焦虑和隐忧。商业银行应当从经营模式上进行革新，改变粗放经营和野蛮生长的路径，回归金融本质，服务好实体经济，注重风险防范，积极拥抱新技术推动经营效率提升，实现数字化转型升级。

（一）国家层面加强金融科技战略部署

2019年8月，中国人民银行印发的《金融科技（FinTech）发展规划（2019-2021年）》中明确提出我国金融科技工作的指导思想、基本原则、发展目标、重点任务和保障措施，强化金融科技合理应用，将金融科技打造成为金融高质量发展的“新引擎”。同时鼓励支持包括商业银行在内的持牌金融机构在依法合规前提下发展金融科技，有效防范化解金融风险，提升金融服务质量和效率，将科技应用能力内化为金融竞争力。

在数字经济时代，金融科技已经成为我国商业银行数字化转型的重要驱动力。商业银行应该积极主动迎接数字化浪潮带来的挑战，积极发力金融科技，加快数字化转型的步伐。

（二）科技赋能金融，构筑银行自主风控体系

近年来，大数据、人工智能、区块链等新技术在金融领域的应用，重塑传统金融的业务运作模式与流程的同时，也衍生出了各种创新的金融产品与服务，形成了效率更高、成本更低、服务更便捷的金融新生态。众所周知，金融科技的落脚点在于科技，强调金融与科技的深度融合，例如商业银行信贷业务中的获客、风控、运营、催收等方面，都可以利用大数据、AI等科技手段补齐银行机构的数据、技术、人才短板，帮助银行机构更好地控制风险、降本增效、增加营收等。

随着银行信贷业务进入强监管时代，开展自营品牌和自主风控成为商业银行数字化转型的重要方向。在此大背景下，银行与金融科技企业深度合作，相互赋能，不失为一条抓住金融科技机遇实现转型发展的捷径。基于对金融行业多年的深入研究与实践，融慧金科结合大数据、AI算法等先进技术，打造了一套涵盖产品设计、精准获客、风控策略和模型搭建、系统、专家服务咨询等多个板块的全流程信贷赋能解决方案。

融慧金科全流程风控方案

相较于传统风控举措，该方案贯穿整个信贷业务全流程，具有系统化、定制化及智能化的特性。其中，基于大数据的风控模型正在成为银行整个风控体系中最重要的一环。因为在当前阶段，数据孤岛现象仍然存在，对于银行来说，能够根据市场政策变化及时调整模型策略，对用户风险精准定价，保持利润持续增长，就需要引入更多维度的外部合规数据，利用机器学习算法深挖数据规律，提升模型能力，完善银行自主风控体系。

融慧金科风控模型体系

通过市场理论和实践表明，无论从数据、技术还是从经验来看，融慧金科的定制化建模具有诸多独到的优势：

第一，数据资源丰富，安全合规。融慧金科具备海量数据集成能力，已与多家BAT量级的合规授权数据源机构进行了深度合作，形成了高覆盖、高精度、强互补的数据生态。在不侵犯用户隐私的前提下，将模型算法直接部署在数据源侧，从源头保证数据质量的稳定性及可靠性。

第二，技术一流，建模能力领先。融慧金科在大数据建模领域有深厚积淀，重视算法和业务有机结合。依托强大的数据挖掘和建模能力，借助自身BAT量级数据原料自主研发数千个风险画像，深层挖掘出数千维衍生变量，在区分度、覆盖率、稳定性和可解释性上保持持续提升。例如，在加工兴趣画像变量时，融慧金科将覆盖率低且稳定性较差的多种兴趣小变量整合成能概括个人风险程度的兴趣大变量，拟合后，衍生变量从本质上改变了数据的覆盖度和稳定性，使模型的稳定性和模型效果得到大幅提升。

第三，金融背景深厚，业务经验丰富。融慧金科三位创始人均拥有超过20年的风控实践经验，经历过完整经济周期和跨国金融危机的压力场景，并在不同业务场景下实操过从零到一的模型搭建和迭代过程。模型团队骨干成员拥有5-8年的模型开发经验，曾在一年内完成40版模型的开发及上线，模型效果区分度高且持续稳定。

目前，从需求沟通、样本准备、模型设计、模型开放到模型上线，融慧金科已形成了非常成熟的建模业务服务流程，一般整个过程历时4-8周，具有周期短、模式轻、上线快的特点。

三、精细化运营，银行风控模型应用实践案例

以某Top5商业银行在模型开发与验证方面的应用实践为例，该银行长期以线下业务为主，线上业务数字化转型步履维艰，虽然已经接入众多第三方数据源，但模型效果增益难以界定，急需外部数据和风控能力补充。基于该银行实际业务需求，融慧金科通过衍生变量以及深度挖掘变量等建模方式，纵深维度上提高行方模型效果，帮助银行完成模型开发与后期验证。

在本次定制化建模合作过程中，融慧金科利用机器学习进行还款意愿与还款能力的检测，用训练集对机器学习模型进行训练，以预测信用风险分，模型效果指标KS 44%，远远高于机构测试的其他家平均水平。不仅如此，用测试集和跨时间窗口验证集进行测试时，模型和进入模型的变量表现出良好的稳定性。另外，线下业务相较于线上业务申请拒绝率较低，贷前审批模型帮助该行对新客户的信用风险进行审核，对好坏样本有较好的区分度，模型分较高的坏人抓住率也较高，对这部分人群建议拒绝，提升业务中好样本的占比。

该行的主评分卡模型已用了非常多的数据源，在此基础上建立的模型能够给主评分卡带来1.5%的GINI提升，并且在测试集和跨时间窗口都保持稳定。良好的信用模型，帮助该行风控能力实现快速提升，并且带来了显著的业绩增长。

参考资料：

[1] 邓宇，《疫情大考后的上市银行半年报：韧劲与软肋》

[2] 于东智：商业银行数据治理的问题、趋势与挑战

[3] 新华财经研报，如何看待我国商业银行不良贷款新变化